英文原题：AI-Informed Solvation Engineering for Thermogalvanic Electrolytes with High Thermopower
作者：Shukai Wu, Yan Luo, Shuo Niu, Wentao Lin, Chao Fang*
热电化学电池利用由温差驱动的氧化还原反应，实现持续的热能到电能转换。近年来，这类电池因其高热电势在低品位热能收集领域，尤其在柔性传感器、可穿戴电子等自供能设备中的潜在应用而备受关注。然而，离子局域溶剂化结构的微观机制及其对热电势的影响仍缺乏深入理解，限制了热电化学电池电解质的系统化设计。
近日，香港科技大学（广州）方超教授团队报道了通过数据驱动的机器学习策略识别热电电解质的高性能溶剂。该框架验证了已知的有效溶剂并确定了新的候选溶剂，这种溶剂化驱动的机器学习方法加速了电解质的发现，同时提供了对扩大离子溶剂化熵差的设计原理见解。相关研究成果发表于J. Phys. Chem. Lett.，香港科技大学（广州）博士研究生吴树楷为论文第一作者。
图1. 小样本数据集中的离子–溶剂相互作用特征与热电势之间的相关性分析。
在本研究中，该团队结合原子尺度模拟与机器学习，识别出可提升热电势的潜在溶剂分子。该方法利用基于密度泛函理论计算得到的离子–溶剂相互作用特征与有限实验数据之间的强相关性，对塞贝克系数进行参数化描述，随后开展高通量计算构建分子数据库。采用聚类-分类实现的区间回归缓解了小样本数据集过拟合，并对溶剂分子进行初步的大规模筛选，模型可解释分析确定了与极性相关的分子特征是影响性能的主要因素。实验验证进一步推动了模型优化，并引入了基于领域知识分析的二元特征过滤器，通过溶剂化特征对初筛分子进行无监督聚类。结果表明离子的溶剂化行为可以视为溶剂化分子特征与两体相互作用共同作用的综合结果。开发的机器学习框架（区间回归DT-GBC初筛+二元特征过滤器修正）成功识别出多种新的优异候选溶剂，在提升传统液态热电池和热敏电解质的热电性能方面展现出显著的应用潜力。该工作不仅加速了高性能热电电解质的发现，更展现了一种基于离子微观溶剂化的理性电解质设计框架。
图2. 用于预测热电势的高通量机器学习框架。
图3. 提升热电势性能的新型溶剂候选的识别与验证。
原文（扫描或长按二维码，识别后直达原文页面）：
AI-Informed Solvation Engineering for Thermogalvanic Electrolytes with High Thermopower
Shukai Wu, Yan Luo, Shuo Niu, Wentao Lin, Chao Fang*
J. Phys. Chem. Lett. 2025, 16, XXX, 12010–12017
https://doi.org/10.1021/acs.jpclett.5c02903
Published November 10, 2025
© 2025 American Chemical Society
（本稿件来自ACS Publications）